کاتالوگ دوره‌ها

مدت زمان دوره

ارائه دهنده

موضوع

طبقه‌ها

نمایش 4,241 تا 4,260 مورد از کل 4,310 مورد.

coursera ویژگی های نوری و اشعه ایکس (Mitalearn-352509)

  • 1 ساعت 27 دقیقه
  • متوسط
  • انتشار: 23 June 2026
  • مدرس: Trevor Thornton
درباره این دوره:

تکنیک های نوری و اشعه ایکس روش های قدرتمندی برای مشخص کردن لایه های نازک نیمه هادی هستند. آنها را می توان برای اندازه گیری ضخامت فیلم، خلوص و کیفیت کریستالی و برای تجزیه و تحلیل ترکیب استفاده کرد. تکنیک های مدرن سریع، کلید در دست، و به طور کلی غیر مخرب هستند و امکان ارزیابی سریع خواص مواد را فراهم می کنند. این دوره اصول خصوصیات نوری و اشعه ایکس را تشریح می کند و نمونه های واقعی از نحوه استفاده از آنها در تولید نیمه هادی ها را ارائه می دهد.

coursera یادگیری اجتماعی و عاطفی معلم (Mitalearn-363440)

  • 1 ساعت 1 دقیقه
  • پیشرفته
  • انتشار: 23 June 2026
  • مدرس: Dan Liston,Randy Testa
درباره این دوره:

برنامه های یادگیری اجتماعی و عاطفی یا SEL در دهه گذشته در مدارس شکوفا شده است. در حالی که این رشد چشمگیر بوده است، توجه ناکافی به یادگیری اجتماعی و عاطفی معلمان شده است. در این دوره، دن لیستون و رندی تستا شما را با دلایل مختلف برای اینکه چرا معلم SEL نیاز دارد و همچنین احساسات مختلف در آموزش و یادگیری را بررسی و تأمل می کنند، آشنا می کنند. این دوره بخشی از 5 دوره تخصصی "معلم و یادگیری عاطفی اجتماعی (SEL)" است. علاقه مند به کسب 3 واحد دانشگاهی از دانشگاه کلرادو بولدر برای این تخصص هستید؟ اگر چنین است، برای اطلاعات بیشتر، خواندن "چگونه می توانید 3 واحد دانشگاهی از دانشگاه کلرادو-بولدر برای این تخصص کسب کنید" را در اولین ماژول این دوره مطالعه کنید. می خواهیم توجه داشته باشیم که دوره های این تخصص با در نظر گرفتن بار دوره دانشگاهی سه واحدی طراحی شده است. به عنوان یک شرکت کننده ممکن است متوجه محتوای خواندنی بیشتر و محتوای ویدیویی/سخنرانی کمتری شوید. تکمیل و گذراندن تخصص SEL به شرکت کننده اجازه می دهد تا برای 3 اعتبار فارغ التحصیلی برای صدور گواهینامه مجدد معلم و ارتقاء حرفه ای درخواست دهد. ما می خواهیم کیفیت و استانداردهای بالای تجربه یادگیری دانشگاه کلرادو را تضمین کنیم. علاقه مند به کسب 3 امتیاز فارغ التحصیلی از دانشگاه کلرادو بولدر برای تخصص معلم و یادگیری عاطفی اجتماعی (SEL) هستید؟ برای اطلاعات بیشتر، خواندن "چگونه می توانید 3 واحد دانشگاهی از دانشگاه کلرادو-بولدر برای این تخصص کسب کنید" را در هفته اول این دوره مطالعه کنید.

مهارت‌های مرتبط

coursera یادگیری بدون نظارت و کاربردهای آن در بازاریابی (Mitalearn-283795)

  • 4 ساعت 38 دقیقه
  • مبتدی
  • انتشار: 23 June 2026
  • مدرس: Ambica Ghai
درباره این دوره:

به دوره آموزش بدون نظارت و کاربردهای آن در بازاریابی خوش آمدید! در این دوره، به دنیای جذاب یادگیری ماشینی بدون نظارت و ارتباط آن با حوزه بازاریابی خواهید پرداخت. یادگیری بدون نظارت یک رویکرد قدرتمند است که به ما امکان می‌دهد الگوها و بینش‌های پنهان را از مقادیر گسترده داده‌های تاریخی بدون نیاز به برچسب‌های صریح یا مداخله انسانی کشف کنیم. از طریق تمرین‌های عملی و مثال‌های واقعی، یاد خواهید گرفت که چگونه از زبان برنامه‌نویسی پایتون برای اعمال الگوریتم‌های یادگیری بدون نظارت در زمینه‌های بازاریابی استفاده کنید. در طول دوره، تکنیک‌های مختلف یادگیری بدون نظارت، مانند خوشه‌بندی، کاهش ابعاد، و کاوی قواعد تداعی را بررسی خواهید کرد. این تکنیک‌ها شما را قادر می‌سازد تا بخش‌های مشتری را شناسایی کنید، روابط معنادار بین متغیرها را کشف کنید و بینش‌های ارزشمندی در مورد رفتار مصرف‌کننده به دست آورید. با تسلط بر کاربردهای یادگیری بدون نظارت در بازاریابی، مهارت هایی را برای استخراج دانش عملی از داده ها، اتخاذ تصمیمات مبتنی بر داده و باز کردن فرصت های جدید برای استراتژی های بازاریابی خود به دست خواهید آورد. بنابراین، با کاوش در دنیای جذاب یادگیری بدون نظارت و کاربردهای متحول کننده آن در بازاریابی، آماده سفری اکتشافی و نوآوری شوید. بیایید با هم غواصی کنیم و پتانسیل پنهان بازاریابی مبتنی بر داده را باز کنیم! برای موفقیت در این دوره، باید درک اولیه ای از پایتون داشته باشید. شما همچنین به نیازهای نرم افزاری خاصی از جمله Anaconda Navigator نیاز دارید.

coursera یادگیری بدون نظارت، توصیه‌کنندگان، یادگیری تقویتی (Mitalearn-327859)

  • 7 ساعت 14 دقیقه
  • مبتدی
  • انتشار: 23 June 2026
  • مدرس: Andrew Ng,Aarti Bagul,Geoff Ladwig
درباره این دوره:

در دوره سوم تخصص یادگیری ماشین، شما: • از تکنیک های یادگیری بدون نظارت برای یادگیری بدون نظارت استفاده کنید: از جمله خوشه بندی و تشخیص ناهنجاری. • ساخت سیستم های توصیه گر با رویکرد فیلتر مشترک و روش یادگیری عمیق مبتنی بر محتوا. • یک مدل یادگیری تقویتی عمیق بسازید. The Machine Learning Specialization یک برنامه آنلاین اساسی است که با همکاری DeepLearning.AI و Stanford Online ایجاد شده است. در این برنامه مبتدی دوستانه، اصول یادگیری ماشینی و نحوه استفاده از این تکنیک ها برای ساخت اپلیکیشن های هوش مصنوعی در دنیای واقعی را خواهید آموخت. این تخصص توسط اندرو انگ، یک آینده‌نگر هوش مصنوعی که تحقیقات انتقادی را در دانشگاه استنفورد و کارهای پیشگامانه در Google Brain، Baidu و Landing.AI برای پیشرفت در زمینه هوش مصنوعی رهبری کرده است، آموزش داده می‌شود. این تخصص 3 دوره ای، نسخه به روز شده و توسعه یافته دوره پیشگام یادگیری ماشین اندرو است که از زمان راه اندازی آن در سال 2012، دارای امتیاز 4.9 از 5 است و بیش از 4.8 میلیون زبان آموز آن را دریافت کرده اند. این مقدمه گسترده ای برای یادگیری ماشین مدرن، از جمله یادگیری نظارت شده (رگرسیون خطی چندگانه، رگرسیون لجستیک، شبکه های عصبی و درختان تصمیم)، یادگیری بدون نظارت (خوشه بندی، کاهش ابعاد، سیستم های توصیه گر) و برخی از بهترین شیوه های مورد استفاده در سیلیکون ارائه می کند. Valley برای نوآوری های هوش مصنوعی و یادگیری ماشین (ارزیابی و تنظیم مدل ها، اتخاذ رویکرد داده محور برای بهبود عملکرد، و موارد دیگر). در پایان این تخصص، شما بر مفاهیم کلیدی تسلط خواهید داشت و دانش عملی برای به کارگیری سریع و قدرتمند یادگیری ماشینی در مسائل چالش برانگیز دنیای واقعی را به دست خواهید آورد. اگر به دنبال ورود به هوش مصنوعی یا ایجاد حرفه ای در یادگیری ماشین هستید، تخصص جدید یادگیری ماشین بهترین مکان برای شروع است.

coursera یادگیری برای آینده ای پایدار (Mitalearn-348412)

  • 1 ساعت 30 دقیقه
  • مبتدی
  • انتشار: 23 June 2026
  • مدرس: Beth Christie,Pete Higgins
درباره این دوره:

از 7 اکتبر تا 10 نوامبر 2024 برای اجرای آسان این دوره به ما بپیوندید که در آن فرصتی برای تعامل با تیم ما از دانشگاه ادینبورگ و یادگیری برای پایداری اسکاتلند خواهید داشت. تغییرات آب و هوایی، برابری جنسیتی، فروپاشی تنوع زیستی، سلامت، برابری اجتماعی و شمول تنها برخی از مسائلی است که همه ما را نگران می کند و بر رفاه انسان و سیاره و ثبات اقتصادی تأثیر می گذارد. نحوه زندگی پایدار بر همه و همه چیز تأثیر می گذارد – و به هم متصل می کند. در طی پنج هفته، شما با تیم ما و سایر شرکت کنندگان دوره خود درگیر خواهید شد تا پاسخی آگاهانه به این چالش های اصلی ایجاد کنید. این دوره بر آموزش و یادگیری تمرکز دارد. حمایت از کسانی که می خواهند برخی از فعالیت ها و موضوعات تحت پوشش را در عمل آموزشی خود بیاورند. شما در مورد مسائل جاری جهانی بیشتر خواهید آموخت و در نظر خواهید گرفت که چگونه همه ما می توانیم به صورت شخصی یا جمعی پاسخ دهیم. شما ارزش‌ها را بررسی می‌کنید و با دیگران کار می‌کنید تا راه‌هایی را که می‌توان از طریق آن اقدام محلی در مورد مشکلات در مقیاس جهانی انجام داد، بررسی کنید. شما این فرصت را خواهید داشت که ایده ها، دیدگاه ها و رویکردهای آموزشی و یادگیری را مورد بحث و تبادل نظر قرار دهید. کار به این روش، شروع از جایی که در بافت و فضاهای آموزشی خود هستید - و به اشتراک گذاشتن آن با دیگران در طول دوره - به ما کمک می کند تا به سمت یک تفکر و عمل جدید و جمعی برای آینده ای پایدار حرکت کنیم. همچنین ممکن است به دوره 2 هفته ای ما "یادگیری برای آینده ای پایدار: زنده در COP29" علاقه مند شوید https://www.coursera.org/learn/learning-live-at-cop29

coursera یادگیری برای آینده ای پایدار: زنده در COP28 (Mitalearn-349585)

  • 37 دقیقه
  • مبتدی
  • انتشار: 23 June 2026
  • مدرس: Beth Christie,Pete Higgins
درباره این دوره:

بیست و هشتمین کنفرانس تغییرات آب و هوایی سازمان ملل متحد (COP28) از 30 نوامبر تا 12 دسامبر 2023 در دبی، امارات متحده عربی برگزار می شود. این کنفرانس سران کشورها، کارشناسان آب و هوا و مبارزان را برای توافق و تسریع اقدامات هماهنگ جهانی در مورد تغییرات آب و هوا گرد هم می آورد. این دوره دو هفته‌ای، که به موازات کنفرانس COP28 برگزار می‌شود، به شما فرصتی می‌دهد تا بررسی کنید COP28 چیست، چرا مهم است و در مورد اینکه چگونه می‌توانید صدای خود را به فراخوان اقدام جمعی برای آینده‌ای پایدار اضافه کنید، فکر کنید. شما زمینه گسترده تر COP28 را بررسی خواهید کرد و سایر چارچوب های کلیدی مانند اهداف توسعه پایدار سازمان ملل و کنوانسیون سازمان ملل در مورد تنوع زیستی را در نظر خواهید گرفت. در طول دوره، بینش‌های «زنده» را در مورد موضوعاتی که در COP28 مورد بحث قرار می‌گیرند، و همچنین پاسخ‌هایی به موضوعات کنفرانس از سوی کودکان و جوانان، گروه‌های اجتماعی و نهادهای وزارتی، چه در سطح ملی و چه در سطح بین‌المللی، به اشتراک می‌گذاریم. با استفاده از این «نقاط شروع»، از شما دعوت می‌کنیم تا در مورد آنچه شنیده‌اید، تماشا کرده‌اید و خوانده‌اید فکر کنید و در مورد اینکه این مکالمات و مسائل برای شما چه معنایی دارند فکر کنید. ما فرصت هایی را برای بحث و تأمل فراهم خواهیم کرد و ایده ها و الهامات را به اشتراک خواهیم گذاشت تا به همه ما کمک کند تا گام های بعدی خود را فراتر از کنفرانس برداریم. هرگز نیاز مبرمی به همکاری جهان و انجام اقدامات مشترک برای تضمین آینده ای پایدار برای مردم و سیاره زمین وجود نداشته است. به ما بپیوندید و بخشی از جامعه یادگیری مشترک ما شوید، جایی که همه، از جمله تیم دوره، تشویق می‌شوند تا در طول COP28 با یکدیگر و از یکدیگر فکر کنند، به اشتراک بگذارند و یاد بگیرند. همچنین ممکن است به دوره 5 هفته ای آموزش برای آینده ای پایدار علاقه مند شوید https://www.coursera.org/learn/learning-for-a-sustainable-future

coursera یادگیری برنامه ریزی: اصول [coursera] (Mitalearn-301594)

  • 4 ساعت 51 دقیقه
  • مبتدی
  • انتشار: 27 June 2026
  • مدرس: Jennifer Campbell,Paul Gries
درباره این دوره:

پشت هر کلیک ماوس و ضربه روی صفحه نمایش لمسی، یک برنامه کامپیوتری وجود دارد که باعث می شود همه چیز اتفاق بیفتد. این دوره به معرفی بلوک های اساسی برنامه نویسی می پردازد و به شما یاد می دهد که چگونه با استفاده از زبان پایتون برنامه های سرگرم کننده و مفید بنویسید.

coursera یادگیری تحت نظارت و کاربردهای آن در بازاریابی (Mitalearn-283778)

  • 4 ساعت 48 دقیقه
  • مبتدی
  • انتشار: 23 June 2026
  • مدرس: Ambica Ghai
درباره این دوره:

به دوره آموزشی تحت نظارت و کاربردهای آن در بازاریابی خوش آمدید! یادگیری تحت نظارت فرآیند ساخت الگوریتمی برای یادگیری ترسیم یک ورودی به یک خروجی خاص است. الگوریتم‌های یادگیری تحت نظارت می‌توانند به پیش‌بینی داده‌های نادیده جدید کمک کنند. در این دوره از زبان برنامه نویسی پایتون که ابزاری موثر برای برنامه های یادگیری ماشین است استفاده خواهید کرد. شما با تکنیک های یادگیری تحت نظارت آشنا خواهید شد: رگرسیون و طبقه بندی. این دوره بر کاربردهای این تکنیک ها در حوزه بازاریابی متمرکز خواهد بود. با افزایش حجم داده ها و کاربردهای یادگیری ماشینی در بازاریابی، ما به راحتی می توانیم نمونه هایی از استفاده از یادگیری ماشین را در تلاش های بازاریابی پیدا کنیم. شرکت ها شروع به استفاده از یادگیری ماشینی برای درک بهتر رفتارهای مشتری و شناسایی بخش های مختلف مشتری بر اساس الگوهای فعالیت خود کرده اند. بسیاری از سازمان‌ها همچنین از یادگیری ماشینی برای پیش‌بینی رفتارهای آینده مشتریان استفاده می‌کنند، مثلاً چه اقلامی را احتمالاً خریداری می‌کنند، از کدام وب‌سایت‌ها بازدید می‌کنند و چه کسانی احتمالاً از بین خواهند رفت. با استفاده بی پایان از یادگیری ماشینی برای بازاریابی، شرکت ها در هر اندازه می توانند از استفاده از یادگیری ماشین برای تلاش های بازاریابی خود بهره مند شوند. برای موفقیت در این دوره، باید درک اولیه ای از پایتون داشته باشید. شما همچنین به نیازهای نرم افزاری خاصی از جمله ناوبر Anaconda نیاز دارید.

coursera یادگیری ترکیبی: شخصی سازی آموزش برای دانش آموزان (Mitalearn-362454)

  • 5 ساعت 13 دقیقه
  • مناسب همه
  • انتشار: 23 June 2026
  • مدرس: Brian Greenberg,Rob Schwartz,Michael Horn
درباره این دوره:

سر و صدای زیادی در مورد یادگیری ترکیبی و پتانسیل تحول آفرین آن وجود دارد. اما یادگیری ترکیبی واقعاً به چه معناست؟ در این دوره، مدل‌های مختلف یادگیری ترکیبی را بررسی خواهیم کرد و به موضوعات کلیدی که بر دانش‌آموزان، معلمان و مدارس تأثیر می‌گذارند، خواهیم پرداخت. به طور خاص، ما به این مسائل از دریچه سه مدرسه با عملکرد بالا نگاه خواهیم کرد که هر کدام از نوع متفاوتی از یادگیری ترکیبی استفاده می کنند. برخی از موضوعات کلیدی عبارتند از: - نقش دانش آموز و نحوه حمایت از دانش آموزان در گذار از یادگیری سنتی به ترکیبی - پیامدهایی برای معلمان در کار روزمره و نقش کلی آنها - تأثیر بر نحوه طراحی مدارس از جمله مدل های کارکنان، استفاده از زمان، انتخاب سخت افزار/نرم افزار و استفاده از داده ها - چالش های پیاده سازی، راه حل های بالقوه، و سوالات باز باقی مانده ما در این دوره با ویژگی‌های یادگیری ترکیبی زندگی خواهیم کرد و دانش‌آموزان را تشویق می‌کنیم تا در ابتدای ماژول در آزمون‌هایی شرکت کنند تا درک خود را ارزیابی کنند و از مطالبی که قبلاً می‌دانند صرف نظر کنند. به طور کلی، ما یک رویکرد عملی را در پیش خواهیم گرفت و دوره به اوج خود می رسد که شرکت کنندگان مدل یادگیری ترکیبی خود را نمونه سازی کنند. اگر علاقه مند به یادگیری بیشتر در مورد چگونگی به کارگیری بهترین فناوری در آموزش و بازنگری در نحوه اداره مدارس هستید، به این MOOC بپیوندید و همکاران خود را به انجام همین کار تشویق کنید. بخشی از این جنبش رو به رشد باشید و از طریق دست اول یاد بگیرید که چگونه یادگیری ترکیبی می تواند به دانش آموزان کمک کند تا تجربه یادگیری شخصی تری را ارائه دهند.

مهارت‌های مرتبط

coursera یادگیری تقویتی برای استراتژی های معاملاتی (Mitalearn-332857)

  • 2 ساعت 36 دقیقه
  • متوسط
  • انتشار: 23 June 2026
  • مدرس: Jack Farmer
درباره این دوره:

در دوره پایانی از تخصص یادگیری ماشین برای تجارت، شما با یادگیری تقویتی (RL) و مزایای استفاده از یادگیری تقویتی در استراتژی های معاملاتی آشنا می شوید. شما یاد خواهید گرفت که چگونه RL با شبکه های عصبی یکپارچه شده است و LSTM ها را بررسی می کنید و چگونه می توان آنها را برای داده های سری زمانی اعمال کرد. در پایان دوره، می‌توانید استراتژی‌های معاملاتی را با استفاده از یادگیری تقویتی بسازید، بین سیاست‌های مبتنی بر بازیگر و سیاست‌های مبتنی بر ارزش تفاوت قائل شوید و RL را در استراتژی معاملاتی حرکتی بگنجانید. برای موفقیت در این دوره، باید صلاحیت پیشرفته در برنامه نویسی پایتون و آشنایی با کتابخانه های مربوط به یادگیری ماشین، مانند Scikit-Learn، StatsModels و Pandas داشته باشید. تجربه با SQL توصیه می شود. شما باید پیشینه ای در زمینه آمار (مقادیر مورد انتظار و انحراف استاندارد، توزیع های گاوسی، ممان های بالاتر، احتمال، رگرسیون های خطی) و دانش پایه ای از بازارهای مالی (سهام، اوراق قرضه، مشتقات، ساختار بازار، پوشش ریسک) داشته باشید.

coursera یادگیری تقویتی در امور مالی (Mitalearn-336750)

  • 5 ساعت 18 دقیقه
  • پیشرفته
  • انتشار: 23 June 2026
  • مدرس: Igor Halperin
درباره این دوره:

هدف این دوره معرفی مفاهیم اساسی یادگیری تقویتی (RL) و توسعه موارد استفاده برای کاربردهای RL برای ارزش گذاری اختیار، معاملات و مدیریت دارایی است. تا پایان این دوره، دانشجویان قادر خواهند بود - از یادگیری تقویتی برای حل مسائل کلاسیک امور مالی مانند بهینه سازی سبد، معاملات بهینه و قیمت گذاری گزینه و مدیریت ریسک استفاده کنید. - با استفاده از مشکلات مالی روی مثال های ارزشمندی مانند یادگیری کیو معروف تمرین کنید. - دانش خود را در دوره به یک مدل ساده برای پویایی بازار که با استفاده از یادگیری تقویتی به عنوان پروژه دوره به دست می آید، اعمال کنند. پیش نیاز دوره های "تور راهنمای یادگیری ماشین در امور مالی" و "مبانی یادگیری ماشینی در امور مالی" است. از دانش آموزان انتظار می رود که فرآیند lognormal و نحوه شبیه سازی آن را بدانند. آگاهی از قیمت گذاری گزینه فرضی نیست اما مطلوب است.

coursera یادگیری عمیق احتمالی با TensorFlow 2 (Mitalearn-336155)

  • 6 ساعت 14 دقیقه
  • پیشرفته
  • انتشار: 23 June 2026
  • مدرس: Dr Kevin Webster
درباره این دوره:

به این دوره آموزش عمیق احتمالی با TensorFlow خوش آمدید! این دوره مبتنی بر مفاهیم و مهارت‌های پایه تنسورفلو است که در دو دوره اول این تخصص تدریس شده است و بر رویکرد احتمالی یادگیری عمیق تمرکز دارد. این یک حوزه به طور فزاینده مهم یادگیری عمیق است که هدف آن تعیین کمیت نویز و عدم قطعیت است که اغلب در مجموعه داده های دنیای واقعی وجود دارد. این یک جنبه حیاتی در هنگام استفاده از مدل های یادگیری عمیق در برنامه هایی مانند وسایل نقلیه خودران یا تشخیص های پزشکی است. ما به مدل نیاز داریم تا بدانیم چه چیزی را نمی داند. شما یاد خواهید گرفت که چگونه مدل‌های احتمالی را با TensorFlow توسعه دهید و از کتابخانه احتمالی TensorFlow استفاده کنید، کتابخانه‌ای که برای آسان کردن ترکیب مدل‌های احتمالی با یادگیری عمیق طراحی شده است. به این ترتیب، این دوره همچنین می تواند به عنوان مقدمه ای برای کتابخانه TensorFlow Probability مشاهده شود. شما یاد خواهید گرفت که چگونه توزیع‌های احتمال را می‌توان در مدل‌های یادگیری عمیق در TensorFlow، از جمله شبکه‌های عصبی بیزی، جریان‌های عادی‌سازی و رمزگذارهای خودکار متغیر، نمایش داد و گنجاند. شما یاد خواهید گرفت که چگونه مدل هایی را برای تعیین کمیت عدم قطعیت و همچنین مدل های تولیدی ایجاد کنید که می توانند نمونه های جدیدی مشابه نمونه های موجود در مجموعه داده ایجاد کنند، مانند تصاویر چهره های افراد مشهور. مفاهیمی را که در مورد آنها یاد می گیرید بلافاصله در آموزش های عملی و عملی برنامه نویسی، که توسط دستیار آموزشی فارغ التحصیل راهنمایی می شوید، در عمل قرار می دهید. علاوه بر این، یک سری تکالیف برنامه نویسی با درجه بندی خودکار برای شما وجود دارد تا مهارت های خود را تثبیت کنید. در پایان دوره، بسیاری از مفاهیم را در یک پروژه Capstone گرد هم می‌آورید، جایی که یک الگوریتم رمزگذار خودکار متغیر را برای تولید یک مدل تولیدی از مجموعه داده‌های تصویر مصنوعی که خودتان ایجاد می‌کنید، ایجاد می‌کنید. این دوره از دو دوره قبلی در این تخصص پیروی می کند، شروع با TensorFlow 2 و سفارشی کردن مدل های خود با TensorFlow 2. دانش پیش نیاز اضافی مورد نیاز برای موفقیت در این دوره یک پایه محکم در احتمال و آمار است. به طور خاص، فرض بر این است که شما با توزیع‌های احتمال استاندارد، توابع چگالی احتمال، و مفاهیمی مانند برآورد حداکثر احتمال، فرمول تغییر متغیرها برای متغیرهای تصادفی و کران پایین شواهد (ELBO) مورد استفاده در استنتاج تغییرات آشنا هستید.

coursera یادگیری عمیق با Keras و Tensorflow (Mitalearn-330188)

  • 2 ساعت 13 دقیقه
  • متوسط
  • انتشار: 23 June 2026
  • مدرس: Samaya Madhavan,Ricky Shi,Alex Aklson
درباره این دوره:

یادگیری عمیق در بسیاری از زمینه ها از جمله بینایی کامپیوتر، پردازش زبان طبیعی و روباتیک انقلابی ایجاد کرده است. علاوه بر این، Keras، یک API شبکه های عصبی سطح بالا که به زبان پایتون نوشته شده است، به بخشی ضروری از TensorFlow تبدیل شده است و یادگیری عمیق را در دسترس و ساده می کند. تسلط بر این تکنیک ها فرصت های زیادی را در تحقیقات و صنعت باز خواهد کرد. شما یاد خواهید گرفت که لایه ها و مدل های سفارشی را در Keras ایجاد کنید و Keras را با TensorFlow 2.x برای عملکرد بهبودیافته ادغام کنید. شما شبکه های عصبی کانولوشنال پیشرفته (CNN) را با استفاده از Keras توسعه خواهید داد. همچنین با استفاده از TensorFlow با Keras، مدل‌های ترانسفورماتور را برای داده‌های متوالی و سری‌های زمانی خواهید ساخت. این دوره همچنین اصول یادگیری بدون نظارت در Keras و TensorFlow را برای بهینه سازی مدل و حلقه های آموزشی سفارشی پوشش می دهد. در نهایت، شبکه‌های Q عمیق (DQN) را با Keras برای وظایف یادگیری تقویتی توسعه داده و آموزش خواهید داد (مروری از مدل‌سازی تولیدی و یادگیری تقویتی ارائه شده است). شما می توانید مفاهیم آموخته شده را با استفاده از آزمایشگاه های عملی در هر درس تمرین کنید. یک پروژه نهایی نهایی در آخرین ماژول به شما فرصتی می دهد تا دانش خود را برای ایجاد یک مدل طبقه بندی با استفاده از یادگیری انتقالی به کار ببرید. این دوره برای همه مهندسین مشتاق هوش مصنوعی که می خواهند TensorFlow و Keras را یاد بگیرند مناسب است. این نیاز به دانش کاربردی برنامه نویسی پایتون و مفاهیم پایه ریاضی مانند گرادیان و ماتریس، و همچنین اصول یادگیری عمیق با استفاده از Keras دارد.

coursera یادگیری عمیق برای کسب و کار (Mitalearn-284492)

  • 2 ساعت 47 دقیقه
  • مبتدی
  • انتشار: 23 June 2026
  • مدرس: Jong-Moon Chung
درباره این دوره:

گوشی هوشمند، ساعت هوشمند و خودروی شما (اگر مدل جدیدتر باشد) هر روز هوش مصنوعی (هوش مصنوعی) را در خود جای داده است. در آینده نزدیک، فناوری پیشرفته‌تر «خودآموزی» DL (یادگیری عمیق) و ML (یادگیری ماشینی) تقریباً در هر جنبه از تجارت و صنعت شما استفاده خواهد شد. بنابراین اکنون زمان مناسبی است که یاد بگیرید DL و ML چیست و چگونه از آن به نفع شرکت خود استفاده کنید. این دوره دارای سه بخش است که بخش اول بر روی استراتژی تجاری آینده مبتنی بر فناوری DL و ML تمرکز دارد که شامل جزئیات محصولات/خدمات پیشرفته و نرم افزار منبع باز DL است که توانمندسازهای آینده هستند. بخش دوم بر روی فن‌آوری‌های اصلی سیستم‌های DL و ML متمرکز است که شامل سیستم‌های NN (شبکه عصبی)، CNN (NN Convolutional) و RNN (NN بازگشتی) می‌شود. بخش سوم بر چهار پروژه TensorFlow Playground متمرکز است، جایی که تجربه طراحی DL NN ها را می توان با استفاده از یک برنامه آسان و سرگرم کننده و در عین حال بسیار قدرتمند به نام TensorFlow Playground به دست آورد. این دوره برای کمک به شما در ایجاد استراتژی های تجاری طراحی شده است و شما را قادر می سازد تا برنامه ریزی فنی در مورد خدمات و محصولات جدید DL و ML انجام دهید.

coursera یادگیری عمیق در پرونده الکترونیک سلامت - CDSS 2 (Mitalearn-333095)

  • 4 ساعت 3 دقیقه
  • متوسط
  • انتشار: 23 June 2026
  • مدرس: Fani Deligianni
درباره این دوره:

مروری بر اصول اصلی یادگیری عمیق به همراه معماری های رایج. مسئله را برای طبقه بندی سری های زمانی فرموله کنید و آن را برای سیگنال های حیاتی مانند ECG اعمال کنید. به کارگیری این روش در پرونده الکترونیک سلامت به دلیل مقادیر از دست رفته و ناهمگونی در EHR که شامل متغیرهای پیوسته، ترتیبی و طبقه‌ای است، چالش برانگیز است. متعاقبا، تکنیک‌های انتساب و استراتژی‌های مختلف رمزگذاری را برای رسیدگی به این مسائل بررسی کنید. این رویکردها را برای فرمول بندی معیارهای پیش بینی بالینی به دست آمده از اطلاعات موجود در پایگاه داده MIMIC-III به کار ببرید.

coursera یادگیری عمیق مولد با TensorFlow (Mitalearn-332585)

  • 1 ساعت 51 دقیقه
  • متوسط
  • انتشار: 23 June 2026
  • مدرس: Laurence Moroney
درباره این دوره:

در این دوره، شما: الف) انتقال سبک عصبی را با استفاده از یادگیری انتقال بیاموزید: محتوای یک تصویر (مثلاً قو) و سبک یک نقاشی (مثلاً کوبیست یا امپرسیونیست) را استخراج کنید و محتوا و سبک را در یک تصویر جدید ترکیب کنید. ب) رمزگذارهای خودکار ساده را بر روی مجموعه داده آشنای MNIST بسازید، و معماری‌های پیچیده‌تر و پیچیده‌تر روی مجموعه داده‌های Fashion MNIST، تفاوت در نتایج مدل‌های رمزگذار خودکار DNN و CNN را درک کنید، راه‌هایی را برای حذف نویز تصاویر نویزدار شناسایی کنید، و یک CNN بسازید. AutoEncoder با استفاده از TensorFlow برای خروجی یک تصویر تمیز از یک تصویر پر سر و صدا. ج) رمزگذارهای خودکار متغیر (VAE) را برای تولید داده‌های کاملاً جدید کاوش کنید و چهره‌های انیمه را برای مقایسه آنها با تصاویر مرجع تولید کنید. د) درباره GAN ها بیاموزید. اختراع، ویژگی‌ها، معماری، و تفاوت آنها با VAE، عملکرد ژنراتور و تمایزکننده در مدل، مفهوم 2 مرحله آموزشی و نقش نویز معرفی شده را درک کنید و GAN خود را بسازید که می‌تواند چهره‌ها را تولید کند. تخصص DeepLearning.AI TensorFlow: Advanced Techniques ویژگی های TensorFlow را معرفی می کند که به زبان آموزان کنترل بیشتری بر معماری مدل خود می دهد و ابزارهایی را برای ایجاد و آموزش مدل های پیشرفته ML به آنها می دهد. این تخصص برای مهندسین نرم افزار و یادگیری ماشین در مراحل اولیه و اواسط حرفه ای با درک اساسی از TensorFlow است که به دنبال گسترش دانش و مجموعه مهارت های خود با یادگیری ویژگی های پیشرفته TensorFlow برای ساخت مدل های قدرتمند هستند.

coursera یادگیری مادام العمر خود را شروع کنید (Mitalearn-291258)

  • 1 ساعت 20 دقیقه
  • مبتدی
  • انتشار: 23 June 2026
  • مدرس: Accenture Teaching Staff
درباره این دوره:

این دوره آموزشی پایه ای طراحی شده است تا تکنیک هایی را در اختیار شما قرار دهد تا به شما در اتخاذ یک طرز فکر رشد، برخورد موثر با دیگران، حل مشکلات و تفکر از طریق تصمیم گیری کمک کند. این مجموعه ابزاری را در اختیار شما قرار می دهد تا به شما در حل چالش های روزمره در محل کار و زندگی روزمره کمک کند. در پایان این دوره، شما قادر خواهید بود: - مولفه های اصلی یادگیری مادام العمر را شناسایی کنید - استراتژی هایی را برای مدیریت احساسات، مقابله با استرس و برقراری ارتباط موثر کشف کنید - روش هایی را برای آسان تر کردن حل مسئله بشناسید - نحوه ارزیابی اطلاعات و تفکر از طریق تصمیمات را تجزیه و تحلیل کنید این دوره به چهار ماژول تقسیم می شود: یادگیری مادام العمر، هوش هیجانی، حل مسائل و تفکر انتقادی. در ماژول اول، آموزش مادام العمر، شما با اهمیت یادگیری در طول زندگی خود آشنا خواهید شد. شما در مورد توانایی مغز برای یادگیری چیزهای جدید و انواع طرز فکری که به این فرآیند کمک می کند، پی خواهید برد. همچنین خواهید آموخت که اشتباه کردن و دریافت راهنمایی در مورد چگونگی دستیابی به ذهنیت رشد اشکالی ندارد. ایجاد روابط مستحکم و خنثی کردن تعارض، توانایی های کلیدی برای حفظ یک زندگی حرفه ای و شخصی سالم است. در ماژول دو، هوش عاطفی، با این موارد آشنا خواهید شد. همچنین در مورد خود تنظیمی و اینکه چگونه تمرینات زمینی می توانند به شما در رسیدن به آن کمک کنند، خواهید آموخت. مهارت های اضافی که از این ماژول خواهید ساخت شامل شناخت مخاطبان، گوش دادن فعال و مدیریت تضاد است. توانایی شناسایی علت یک مشکل و فکر کردن از طریق راه حل های مناسب، مهارت های مهمی است. در ماژول سه، حل مسائل، با تفاوت بین مسائل ساده و پیچیده آشنا می شوید و استراتژی هایی را برای حل آنها بررسی می کنید. همچنین با تکنیک هایی برای ساده سازی تصمیم گیری آشنا خواهید شد. در آخرین ماژول، تفکر انتقادی، شما به درک عمیقی از اهمیت تفکر انتقادی دست خواهید یافت و همچنین با تکنیک هایی آشنا خواهید شد که به شما در ارزیابی موثر اطلاعات کمک می کند. این یک دوره پایه است و هیچ تجربه قبلی خاصی لازم نیست. مفاهیم و مهارت هایی که در این دوره یاد خواهید گرفت به شما کمک می کند نه تنها در زندگی حرفه ای بلکه در زندگی شخصی خود نیز موفق باشید. حق چاپ © 2023 Accenture. تمامی حقوق محفوظ است. Accenture و لوگوی آن علائم تجاری ثبت شده Accenture هستند.

coursera یادگیری ماشین با آپاچی اسپارک (Mitalearn-332619)

  • 2 ساعت 11 دقیقه
  • متوسط
  • انتشار: 23 June 2026
  • مدرس: IBM Skills Network Team,Ramesh Sannareddy
درباره این دوره:

با این دوره آموزشی IBM دنیای هیجان انگیز یادگیری ماشینی را کاوش کنید. قبل از باز کردن قدرت Apache Spark برای ساخت و استقرار مدل‌های ML برای برنامه‌های مهندسی داده، با یادگیری اصول ML شروع کنید. در تکنیک های یادگیری تحت نظارت و بدون نظارت غوطه ور شوید و از طریق خواندن و ویدئوهای آموزشی، امکانات انقلابی هوش مصنوعی مولد را کشف کنید. تجربه عملی با جریان ساختار یافته Spark به دست آورید، درکی از مهندسی داده و خطوط لوله ML ایجاد کنید و در ارزیابی مدل های ML با استفاده از SparkML ماهر شوید. در آزمایشگاه‌های عملی، شما از SparkML برای رگرسیون، طبقه‌بندی و خوشه‌بندی استفاده می‌کنید که به شما امکان می‌دهد مدل‌های پیش‌بینی و طبقه‌بندی بسازید. به خوشه‌های Spark متصل شوید، مجموعه داده‌های SparkSQL را تجزیه و تحلیل کنید، فعالیت‌های ETL را انجام دهید و مدل‌های ML را با استفاده از Spark ML و sci-kit Learn ایجاد کنید. در نهایت، مهارت های کسب شده خود را از طریق یک تکلیف نهایی نشان دهید. این دوره متوسط ​​​​برای مهندسین داده مشتاق و با تجربه و همچنین متخصصان فعال در تجزیه و تحلیل داده ها و یادگیری ماشین مناسب است. دانش قبلی در Big Data، Hadoop، Spark، Python و ETL برای این دوره به شدت توصیه می شود.

coursera یادگیری ماشین برای بینایی کامپیوتر (Mitalearn-333078)

  • 1 ساعت 31 دقیقه
  • مبتدی
  • انتشار: 23 June 2026
  • مدرس: Amanda Wang,Matt Rich,Brandon Armstrong
درباره این دوره:

در دوره دوم گرایش بینایی کامپیوتر برای مهندسی و علوم، دو مورد از رایج ترین کارهای بینایی کامپیوتر را انجام خواهید داد: طبقه بندی تصاویر و تشخیص اشیا. شما کل گردش کار یادگیری ماشین را، از آماده سازی داده های خود تا ارزیابی نتایج خود، اعمال خواهید کرد. در پایان این دوره، مدل‌های یادگیری ماشینی را برای طبقه‌بندی تصاویر تابلوهای خیابان و تشخیص عیوب مواد آموزش می‌دهید. شما در طول این دوره از MATLAB استفاده خواهید کرد.  متلب برای میلیون‌ها نفر از افرادی که در زمینه‌های مهندسی و علوم کار می‌کنند، گزینه‌ای است و قابلیت‌های مورد نیاز برای انجام وظایف بینایی رایانه‌تان را فراهم می‌کند.  در طول دوره برای تکمیل کار، دسترسی رایگان به متلب در اختیار شما قرار خواهد گرفت. برای موفقیت در این تخصص، داشتن تجربه قبلی در پردازش تصویر کمک خواهد کرد.  اگر با داده های تصویری تازه کار هستید، توصیه می شود ابتدا تخصص پردازش تصویر برای مهندسی و علوم را تکمیل کنید.

coursera یادگیری ماشین برای هوشمند بتا (Mitalearn-295848)

  • 4 ساعت 30 دقیقه
  • متوسط
  • انتشار: 23 June 2026
  • مدرس: Youngju Nielsen,Haeram Joo
درباره این دوره:

در این دوره 4 هفته ای با محصولات اسمارت بتا آشنا می شوید. محصولات هوشمند بتا دارای ویژگی‌های سرمایه‌گذاری غیرفعال (دارای قوانین از پیش تعیین‌شده) و سرمایه‌گذاری‌های فعال (اجازه سرمایه‌گذاری عاملی) هستند. ما مکانیسم‌های ایجاد پشت محصولات مختلف بتا هوشمند را مرور می‌کنیم و برخی از آنها را با استفاده از برنامه‌نویسی R بازسازی می‌کنیم. سپس روش های یادگیری ماشین را اعمال خواهیم کرد. پردازش داده ها، تکنیک های پیشگیری از برازش بیش از حد پوشش داده خواهد شد. در نهایت سعی خواهیم کرد با استفاده از روش‌های CART، bagging، boosting و ensemble یک مدل چند عاملی بهبودیافته ایجاد کنیم. انتظار می رود که دانش آموزان به اولین و دومین دوره من با عنوان «مبانی سرمایه گذاری مبتنی بر داده» و «استفاده از R برای رگرسیون و یادگیری ماشین در سرمایه گذاری» گوش داده باشند، یا دانشی معادل در مفاهیم سرمایه گذاری و درک محکمی از برنامه نویسی R داشته باشند.

دوره‌های پیشنهادی